CN116991136A - 燃气机组aps启动控制系统的优化方法及系统 - Google Patents
燃气机组aps启动控制系统的优化方法及系统 Download PDFInfo
- Publication number
- CN116991136A CN116991136A CN202310543715.0A CN202310543715A CN116991136A CN 116991136 A CN116991136 A CN 116991136A CN 202310543715 A CN202310543715 A CN 202310543715A CN 116991136 A CN116991136 A CN 116991136A
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge representation
- feature
- gas turbine
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 117
- 238000004088 simulation Methods 0.000 claims abstract description 89
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims description 25
- 238000012512 characterization method Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 54
- 230000015556 catabolic process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提供一种燃气机组APS启动控制系统的优化方法及系统，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量，针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据策略运行节点对同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量后对融合故障知识表征变量进行故障分类，由此对所述燃气机组APS启动控制系统进行优化。相较于基于单一系统模拟测试策略，通过将不同系统模拟测试策略下的测试反馈数据转换到同一特征知识网络进行向量表示，可以结合不同策略下测试反馈数据之间的关联，充分基于有限的测试反馈数据，提高故障分类准确性。
Description
技术领域
本申请涉及燃气机组技术领域，具体而言，涉及一种燃气机组APS启动控制系统的优化方法及系统。
背景技术
燃气机组由压气机、燃烧室和透平组成。燃气-蒸汽联合循环机组工作过程大致为，空气被吸入压气机经压缩后与天然气混合并在燃烧室内燃烧转变为热能，产生的高温高压燃气进入燃机的透平逐级膨胀做功，形成的机械能驱动发电机变为电能。在此过程中，需要通过APS启动控制系统进行辅机启动、燃机启动、汽机冲转和机组升负荷等，以便于提高运行可靠性。基于此，对于燃气机组APS启动控制系统而言，其运行稳定性关乎到燃气机组的稳定性。因此，需要及时排除燃气机组APS启动控制系统可能存在的故障，在相关技术中，通常是基于单一系统模拟测试策略对燃气机组APS启动控制系统进行模拟测试从而确定其潜在的故障，然而该方案的故障分类准确性非常有限。
发明内容
有鉴于此，本申请的目的在于提供一种燃气机组APS启动控制系统的优化方法及系统。
依据本申请的第一方面，提供一种燃气机组APS启动控制系统的优化方法，应用于云服务器，所述方法包括：
获取燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合；
基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量；
针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据所述策略运行节点对所述同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量；
基于所述故障分类网络的全连接输出单元，对所述融合故障知识表征变量进行故障分类，生成燃气机组APS启动控制系统在不同故障标签上的命中系数，并基于所述燃气机组APS启动控制系统在不同故障标签上的命中系数对所述燃气机组APS启动控制系统进行优化。
在第一方面的一种可能的实施方式中，所述获取燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合的步骤，包括：
通过对系统模拟测试软件中采集到燃气机组APS启动控制系统的测试反馈数据进行汇总，获取不同系统模拟测试策略下的测试反馈数据；
针对不同系统模拟测试策略下的测试反馈数据进行拆分，将所述不同系统模拟测试策略下的测试反馈数据处理为相应系统模拟测试策略下的系统故障特征集合。
在第一方面的一种可能的实施方式中，所述不同系统模拟测试策略下的系统故障特征集合包括系统崩溃特征集合、系统死循环特征集合以及系统延时运行特征集合，所述基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量的步骤，包括：
针对系统崩溃特征集合中的崩溃描述日志，基于崩溃特征编码网络的特征编码单元通过特征编码阵列将所述崩溃描述日志转换为第一编码知识表征向量，并叠加所述崩溃描述日志的故障触发节点，生成崩溃故障知识表征变量；
针对系统死循环特征集合中的系统死循环描述日志，基于崩溃特征编码网络的特征编码单元通过特征映射空间将所述系统死循环描述日志转换为第二编码知识表征向量，并叠加所述系统死循环描述日志的故障触发节点，生成系统死循环故障知识表征变量；
针对系统延时运行特征集合中的系统延时运行描述日志，基于崩溃特征编码网络的特征编码单元通过特征映射空间将所述系统延时运行描述日志转换为第三编码知识表征向量，并叠加所述系统死循环描述日志的故障触发节点，生成系统延时运行故障知识表征变量；
依据空间域算法将所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量。
在第一方面的一种可能的实施方式中，所述依据空间域算法将所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量的步骤，包括：
基于所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量之间故障知识域的交互作用，计算故障知识域的映射向量；
通过将所述故障知识域的映射向量所生成的映射位图，将所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量。
在第一方面的一种可能的实施方式中，在所述基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量，并针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点之前，所述方法还包括：
基于目标燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合加载到神经网络中进行网络迭代学习更新，生成故障分类网络；所述神经网络包括针对有系统故障特征集合进行向量化表示的特征编码单元以及针对融合故障知识表征变量进行故障标签学习的全连接输出单元，所述全连接输出单元包括自注意力层和分类层，所述基于目标燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合加载到神经网络中进行网络迭代学习更新，生成故障分类网络的步骤，包括：
基于所述特征编码单元将目标燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合处理为融合故障知识表征变量； 基于所述全连接输出单元的自注意力层基于所述策略运行节点对所述融合故障知识表征变量进行解析，获取融合故障知识表征变量之间的自注意力系数，并依据所述自注意力系数更新所述融合故障知识表征变量；
基于所述全连接输出单元的分类层对更新后的融合故障知识表征变量进行故障标签学习，预测目标燃气机组APS启动控制系统在不同故障标签上的命中系数值，构建故障分类网络。
在第一方面的一种可能的实施方式中，所述方法还包括：
在所述神经网络网络的迭代学习更新流程中，基于掩模化处理的方式隐藏所述融合故障知识表征变量中的至少部分知识表征向量后，预测至少部分知识表征向量是否与所述融合故障知识表征变量相匹配，生成多个学习任务。
在第一方面的一种可能的实施方式中，所述方法还包括：
设置学习代价计算单元，并基于所述学习代价计算单元计算得到的学习代价值，利用梯度下降法更新所述故障分类网络中的网络权重参数。
依据本申请的第二方面，提供一种云服务器，所述云服务器包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该云服务器实现前述的燃气机组APS启动控制系统的优化方法。
依据本申请的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的燃气机组APS启动控制系统的优化方法。
依据上述任一方面，本申请中，获取燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合，基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量，针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据策略运行节点对同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量，基于故障分类网络的全连接输出单元，对融合故障知识表征变量进行故障分类，生成燃气机组APS启动控制系统在不同故障标签上的命中系数，并基于所述燃气机组APS启动控制系统在不同故障标签上的命中系数对所述燃气机组APS启动控制系统进行优化。相较于基于单一系统模拟测试策略，通过将不同系统模拟测试策略下的测试反馈数据转换到同一特征知识网络进行向量表示，可以结合不同策略下测试反馈数据之间的关联，充分基于有限的测试反馈数据，提高故障分类准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的燃气机组APS启动控制系统的优化方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的燃气机组APS启动控制系统的优化方法的云服务器的组件结构示意图。
实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了基于本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中销毁一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
图1示出了本申请实施例提供的燃气机组APS启动控制系统的优化方法的流程示意图，应当理解，在其它实施例中，本实施例的燃气机组APS启动控制系统的优化方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该燃气机组APS启动控制系统的优化方法的详细包括：
步骤S101、获取燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合。
本实施例中，可以基于不同的测试方向（如运行效率测试方向、运行稳定性测试方向、运行控温测试方向等）设置不同的系统模拟测试策略，由此对所述燃气机组APS启动控制系统进行相应的系统模拟测试，进而获得所述燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合。
例如，可以系统模拟测试软件中采集到燃气机组APS启动控制系统的测试反馈数据，并对燃气机组APS启动控制系统的测试反馈数据进行汇总得到不同系统模拟测试策略下的系统故障特征集合，不同系统模拟测试策略下的系统故障特征集合的输出方向不同。通过系统模拟测试软件来获取燃气机组APS启动控制系统的测试反馈数据，并将测试反馈数据处理为不同系统模拟测试策略下的系统故障特征集合，进一步基于不同系统模拟测试策略下的系统故障特征集合融合后的融合故障知识表征变量进行故障分类，能够统一处理各个系统模拟测试策略的测试反馈数据，综合考虑各个系统模拟测试策略之间的依赖关系，以提高故障分类精度。
步骤S102、基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量。
其中，故障分类网络为预先使用目标燃气机组APS启动控制系统在不同系统模拟测试策略下系统故障特征集合加载到神经网络中进行训练得到，该神经网络中包括针对系统故障特征集合进行向量化表示的特征编码单元以及针对故障知识表征变量进行故障标签学习的全连接输出单元，特征编码单元能够针对系统故障特征集合进行处理，将系统故障特征集合转换为故障知识表征变量，该过程中不对每种系统模拟测试策略下的特征进行单独学习，而是在整个神经网络的网络迭代学习更新流程中统一更新。
具体针对每种系统模拟测试策略下的系统故障特征集合进行处理的过程中，不同系统模拟测试策略的系统故障特征集合处理过程并不相同，所述不同系统模拟测试策略下的系统故障特征集合包括系统崩溃特征集合、系统死循环特征集合以及系统延时运行特征集合，针对系统崩溃特征集合中的崩溃描述日志，基于崩溃特征编码网络的特征编码单元通过特征编码阵列将所述崩溃描述日志转换为第一编码知识表征向量，并叠加所述崩溃描述日志的故障触发节点，生成崩溃故障知识表征变量；针对系统死循环特征集合中的系统死循环描述日志，基于崩溃特征编码网络的特征编码单元通过特征映射空间将所述系统死循环描述日志转换为第二编码知识表征向量，并叠加所述系统死循环描述日志的故障触发节点，生成系统死循环故障知识表征变量；针对系统延时运行特征集合中的系统延时运行描述日志，基于崩溃特征编码网络的特征编码单元通过特征映射空间将所述系统延时运行描述日志转换为第三编码知识表征向量，并叠加所述系统死循环描述日志的故障触发节点，生成系统延时运行故障知识表征变量；依据空间域算法将所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量。
步骤S103、针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据所述策略运行节点对所述同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量。
考虑到不同系统模拟测试策略具有不同的特征输出属性，考虑到不同系统模拟测试策略的故障知识表征变量之间的关联，可以在针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点的同时，获取不同系统模拟测试策略之间在故障互动作用的关联信息，并针对该故障互动作用的关联信息设置相应的策略运行节点，从而在故障知识表征变量融合过程中结合了不同系统模拟测试策略的测试反馈数据之间的关联，获取到包含丰富故障知识信息的融合故障知识表征变量。
步骤S104、基于所述故障分类网络的全连接输出单元，对所述融合故障知识表征变量进行故障分类，生成燃气机组APS启动控制系统在不同故障标签上的命中系数，并基于所述燃气机组APS启动控制系统在不同故障标签上的命中系数对所述燃气机组APS启动控制系统进行优化。
例如，可以将所述命中系数大于设定系数的故障标签确定为所述燃气机组APS启动控制系统的目标故障标签，然后从云端优化程序库中调取与所述目标故障标签对应的目标云端优化程序，并利用所述目标云端优化程序对所述燃气机组APS启动控制系统进行优化。
基于以上步骤，获取燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合，基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量，针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据策略运行节点对同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量，基于故障分类网络的全连接输出单元，对融合故障知识表征变量进行故障分类，生成燃气机组APS启动控制系统在不同故障标签上的命中系数。相较于基于单一系统模拟测试策略，通过将不同系统模拟测试策略下的测试反馈数据转换到同一特征知识网络进行向量表示，可以结合不同策略下测试反馈数据之间的关联，充分基于有限的测试反馈数据，提高故障分类准确性。
接下来提供进一步的实施例，具体步骤包括：
步骤S201、通过对系统模拟测试软件中采集到燃气机组APS启动控制系统的测试反馈数据进行汇总，获取不同系统模拟测试策略下的测试反馈数据。
步骤S202、针对不同系统模拟测试策略下的测试反馈数据进行拆分，将所述不同系统模拟测试策略下的测试反馈数据处理为相应系统模拟测试策略下的系统故障特征集合。
步骤S203、基于目标燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合加载到神经网络中进行网络迭代学习更新，生成故障分类网络。
其中，神经网络包括针对有系统故障特征集合进行向量化表示的特征编码单元以及针对融合故障知识表征变量进行故障标签学习的全连接输出单元，全连接输出单元包括自注意力层和分类层，具体可以基于所述特征编码单元将目标燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合处理为融合故障知识表征变量，基于全连接输出单元的自注意力层基于策略运行节点对融合故障知识表征变量进行解析，获取融合故障知识表征变量之间的自注意力系数，并依据自注意力系数更新融合故障知识表征变量，基于全连接输出单元的分类层对更新后的融合故障知识表征变量进行故障标签学习，预测目标燃气机组APS启动控制系统在不同故障标签上的命中系数值，构建故障分类网络。
在神经网络网络迭代学习更新流程中，基于掩模化处理的方式隐藏融合故障知识表征变量中的至少部分知识表征向量后，预测至少部分知识表征向量是否与融合故障知识表征变量相匹配，生成多个学习任务。然后，设置学习代价计算单元，并基于学习代价计算单元计算得到的学习代价值，利用梯度下降法更新所述故障分类网络中的网络权重参数。
步骤S204、基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量。
这里不同系统模拟测试策略下的系统故障特征集合包括系统崩溃特征集合、系统死循环特征集合以及系统延时运行特征集合，具体针对系统崩溃特征集合中的崩溃描述日志，基于崩溃特征编码网络的特征编码单元通过特征编码阵列将所述崩溃描述日志转换为第一编码知识表征向量，并叠加崩溃描述日志的故障触发节点，生成崩溃故障知识表征变量；针对系统死循环特征集合中的系统死循环描述日志，基于崩溃特征编码网络的特征编码单元通过特征映射空间将系统死循环描述日志转换为第二编码知识表征向量，并叠加系统死循环描述日志的故障触发节点，生成系统死循环故障知识表征变量；针对系统延时运行特征集合中的系统延时运行描述日志，基于崩溃特征编码网络的特征编码单元通过特征映射空间将系统延时运行描述日志转换为第三编码知识表征向量，并叠加系统死循环描述日志的故障触发节点，生成系统延时运行故障知识表征变量；依据空间域算法将崩溃故障知识表征变量、系统死循环故障知识表征变量以及系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量。
通过融合不同系统模拟测试策略下的特征来获取一个联合表征空间，进而使用该联合表征空间将不同系统模拟测试策略下所转换的故障知识表征变量映射到同一特征知识网络。具体可以基于崩溃故障知识表征变量、系统死循环故障知识表征变量以及系统延时运行故障知识表征变量之间故障知识域的交互作用，计算故障知识域的映射向量，然后通过将故障知识域的映射向量所生成的映射位图，将崩溃故障知识表征变量、系统死循环故障知识表征变量以及系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量。
步骤S205、针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据所述策略运行节点对所述同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量。
步骤S206、基于所述故障分类网络的全连接输出单元，对所述融合故障知识表征变量进行故障分类，生成燃气机组APS启动控制系统在不同故障标签上的命中系数。
基于以上步骤，通过将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量，针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据策略运行节点对同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量后对融合故障知识表征变量进行故障分类，由此对所述燃气机组APS启动控制系统进行优化。相较于基于单一系统模拟测试策略，通过将不同系统模拟测试策略下的测试反馈数据转换到同一特征知识网络进行向量表示，可以结合不同策略下测试反馈数据之间的关联，充分基于有限的测试反馈数据，提高故障分类准确性。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器100。
对于一个实施例，图2示出了云服务器100，该云服务器100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中，云服务器100能够作为本申请实施例中所述网关等服务器设备。
一些示例性的设计思路中，云服务器100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云服务器100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些示例性的设计思路中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为云服务器100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云服务器100提供接口以依据一个或多个网络通信，云服务器100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入依据通信标准的无线网络，如WwFw、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载(SwP)。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，云服务器100可以但不限于是：云服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，云服务器100可具有更多或更少的组件和/或不同的架构。例如，一些示例性的设计思路中，云服务器100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种燃气机组APS启动控制系统的优化方法，其特征在于，应用于云服务器，所述方法包括：
获取燃气机组APS启动控制系统在所述不同系统模拟测试策略下的系统故障特征集合；
基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量；
针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据所述策略运行节点对所述同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量；
基于所述故障分类网络的全连接输出单元，对所述融合故障知识表征变量进行故障分类，生成燃气机组APS启动控制系统在不同故障标签上的命中系数，并基于所述燃气机组APS启动控制系统在不同故障标签上的命中系数对所述燃气机组APS启动控制系统进行优化。
2.根据权利要求1所述的燃气机组APS启动控制系统的优化方法，其特征在于，所述获取燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合的步骤，包括：
通过对系统模拟测试软件中采集到燃气机组APS启动控制系统的测试反馈数据进行汇总，获取不同系统模拟测试策略下的测试反馈数据；
针对不同系统模拟测试策略下的测试反馈数据进行拆分，将所述不同系统模拟测试策略下的测试反馈数据处理为相应系统模拟测试策略下的系统故障特征集合。
3.根据权利要求1所述的燃气机组APS启动控制系统的优化方法，其特征在于，所述不同系统模拟测试策略下的系统故障特征集合包括系统崩溃特征集合、系统死循环特征集合以及系统延时运行特征集合，所述基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量的步骤，包括：
针对系统崩溃特征集合中的崩溃描述日志，基于崩溃特征编码网络的特征编码单元通过特征编码阵列将所述崩溃描述日志转换为第一编码知识表征向量，并叠加所述崩溃描述日志的故障触发节点，生成崩溃故障知识表征变量；
针对系统死循环特征集合中的系统死循环描述日志，基于崩溃特征编码网络的特征编码单元通过特征映射空间将所述系统死循环描述日志转换为第二编码知识表征向量，并叠加所述系统死循环描述日志的故障触发节点，生成系统死循环故障知识表征变量；
针对系统延时运行特征集合中的系统延时运行描述日志，基于崩溃特征编码网络的特征编码单元通过特征映射空间将所述系统延时运行描述日志转换为第三编码知识表征向量，并叠加所述系统死循环描述日志的故障触发节点，生成系统延时运行故障知识表征变量；
依据空间域算法将所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量。
4.根据权利要求3所述的燃气机组APS启动控制系统的优化方法，其特征在于，所述依据空间域算法将所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量的步骤，包括：
基于所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量之间故障知识域的交互作用，计算故障知识域的映射向量；
通过将所述故障知识域的映射向量所生成的映射位图，将所述崩溃故障知识表征变量、所述系统死循环故障知识表征变量以及所述系统延时运行故障知识表征变量映射到同一特征知识网络的故障知识表征变量。
5.根据权利要求1所述的燃气机组APS启动控制系统的优化方法，其特征在于，在所述基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量，并针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点之前，所述方法还包括：
基于目标燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合加载到神经网络中进行网络迭代学习更新，生成故障分类网络；所述神经网络包括针对有系统故障特征集合进行向量化表示的特征编码单元以及针对融合故障知识表征变量进行故障标签学习的全连接输出单元，所述全连接输出单元包括自注意力层和分类层，所述基于目标燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合加载到神经网络中进行网络迭代学习更新，生成故障分类网络的步骤，包括：
基于所述特征编码单元将目标燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合处理为融合故障知识表征变量； 基于所述全连接输出单元的自注意力层基于所述策略运行节点对所述融合故障知识表征变量进行解析，获取融合故障知识表征变量之间的自注意力系数，并依据所述自注意力系数更新所述融合故障知识表征变量；
基于所述全连接输出单元的分类层对更新后的融合故障知识表征变量进行故障标签学习，预测目标燃气机组APS启动控制系统在不同故障标签上的命中系数值，构建故障分类网络。
6.根据权利要求5所述的燃气机组APS启动控制系统的优化方法，其特征在于，所述方法还包括：
在所述神经网络网络的迭代学习更新流程中，基于掩模化处理的方式隐藏所述融合故障知识表征变量中的至少部分知识表征向量后，预测至少部分知识表征向量是否与所述融合故障知识表征变量相匹配，生成多个学习任务。
7.根据权利要求5或6所述的燃气机组APS启动控制系统的优化方法，其特征在于，所述方法还包括：
设置学习代价计算单元，并基于所述学习代价计算单元计算得到的学习代价值，利用梯度下降法更新所述故障分类网络中的网络权重参数。
8.一种计算机可读存储介质，其特征在于，其上存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-7中任意一项所述的燃气机组APS启动控制系统的优化方法。
9.一种云服务器，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-7中任意一项所述的燃气机组APS启动控制系统的优化方法。
10.一种燃气机组APS启动控制系统的优化系统，其特征在于，所述燃气机组APS启动控制系统的优化系统包括云服务器以及与所述云服务器通信连接的燃气机组APS启动控制系统，所述云服务器具体用于：
获取燃气机组APS启动控制系统在不同系统模拟测试策略下的系统故障特征集合；
基于训练完成的故障分类网络的特征编码单元，将不同系统模拟测试策略下的系统故障特征集合分别编码输出为同一特征知识网络的故障知识表征变量；
针对每种系统模拟测试策略设置故障知识表征变量的策略运行节点，依据所述策略运行节点对所述同一特征知识网络的故障知识表征变量进行融合，生成融合故障知识表征变量；
基于所述故障分类网络的全连接输出单元，对所述融合故障知识表征变量进行故障分类，生成燃气机组APS启动控制系统在不同故障标签上的命中系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310543715.0A CN116991136A (zh) | 2023-05-15 | 2023-05-15 | 燃气机组aps启动控制系统的优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310543715.0A CN116991136A (zh) | 2023-05-15 | 2023-05-15 | 燃气机组aps启动控制系统的优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116991136A true CN116991136A (zh) | 2023-11-03 |
Family
ID=88530875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310543715.0A Pending CN116991136A (zh) | 2023-05-15 | 2023-05-15 | 燃气机组aps启动控制系统的优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116991136A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556331A (zh) * | 2024-01-11 | 2024-02-13 | 广东艾林克能源装备有限公司 | 基于ai增强的空压机维护决策方法及系统 |
-
2023
- 2023-05-15 CN CN202310543715.0A patent/CN116991136A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556331A (zh) * | 2024-01-11 | 2024-02-13 | 广东艾林克能源装备有限公司 | 基于ai增强的空压机维护决策方法及系统 |
| CN117556331B (zh) * | 2024-01-11 | 2024-04-26 | 广东艾林克能源装备有限公司 | 基于ai增强的空压机维护决策方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2023502325A (ja) | 産業規模構造デジタルツインのコンポーネントベースの低次元化モデリングのための方法及びシステム | |
| CN116991136A (zh) | 燃气机组aps启动控制系统的优化方法及系统 | |
| JP5402351B2 (ja) | 多目的最適化設計支援装置、方法、及びプログラム | |
| CN116594364B (zh) | 基于预制菜生产控制系统的优化方法及系统 | |
| CN114186609A (zh) | 模型训练方法和装置 | |
| JP2014229311A (ja) | シミュレーションシステム及び方法と該システムを含むコンピュータシステム | |
| CN115935807A (zh) | 基于图马尔可夫神经网络的诊断模型的训练方法 | |
| CN112633502B (zh) | 一种深度学习模型的跨平台执行方法、装置及电子设备 | |
| CN109086819B (zh) | caffemodel模型压缩方法、系统、设备及介质 | |
| CN116755403B (zh) | 基于光伏组件生产控制系统的数据采集方法及系统 | |
| KR102521808B1 (ko) | 합성곱 신경망과 회귀 신경망을 활용한 하이브리드 에너지 소비 및 생산 예측 방법 및 그 장치 | |
| CN116341634B (zh) | 神经结构搜索模型的训练方法、装置及电子设备 | |
| US20210319146A1 (en) | Computer Aided Design of Custom Cellular Lattice Kernels According to Material Properties | |
| CN117153233A (zh) | 一种基于遗传算法的存储芯片冗余修复方案生成方法、装置、设备及存储介质 | |
| CN116191404A (zh) | 分布式电源发电预测方法、装置、电子设备及存储介质 | |
| CN112764763B (zh) | 一种代码转换方法、系统、设备及计算机可读存储介质 | |
| KR20230161721A (ko) | 딥 러닝 기반 재생 에너지 소비 및 생산 예측 방법 및 그 장치 | |
| KR20230089082A (ko) | 태양광 발전 시스템 고장 진단 장치 및 방법 | |
| CN117353461B (zh) | 一种光伏发电系统的状态监控方法及系统 | |
| US9836401B2 (en) | Multi-core simulation system and method based on shared translation block cache | |
| KR102583916B1 (ko) | 저전력 테스트를 위한 스캔 상관관계 기반 스캔 클러스터 리오더링 방법 및 장치 | |
| CN111985681A (zh) | 数据预测方法、模型训练方法、装置、设备 | |
| CN116881851B (zh) | 基于机器学习的物联网数据处理方法、装置及服务器 | |
| CN117668694A (zh) | 能源路由器多能形式储能系统的数据分析方法及系统 | |
| CN116738366B (zh) | 基于特征融合的大坝应急事件因果关系识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |